雷锋网按：9 月 7 日，首届人工智能计算大会(AI Computing Conference 简称 AICC)在京举行。本次大会由中国工程院信息与电子工程学部主办、浪潮集团承办。除了邀请海内外数十位知名专家围绕 AI 计算创新作主题报告外，还设置了 AI+计算创新、AI+互联网、AI+产业创新、AI+HPC 融合分论坛，有来自百度、微软、阿里、腾讯、英特尔等业界人士分享了各自对 AI 的看法，以及各自企业在 AI 上的应用进展。
在 AI+互联网论坛上，美团点评高级技术总监王栋作为嘉宾以《人工智能在餐饮行业的应用场景》作了演讲，就 AI 在餐饮行业中的潜在应用，以及美团的一些具体技术方案做了详细讲解。此外，王栋在接受媒体采访时，就美团点评数据、业务方面的情况进行了解答。
王栋对 AI 在人工智能在餐饮行业应用场景的主要观点及对未来的展望如下：
嗅觉、味觉口味识别是非常有潜力的方向；
人工智能在流量转化优化、配送调度机制、用户营销过程领域的应用成效显著；
要全局协同优化，打造外卖大脑：交易流量分配+配送履约+智能营销；
自动化配送可能早于自动驾驶实现：场景可控，闭环反馈；
人工智能是使能技术：给餐饮行业带来更好规模效应；用户端+商户端+平台化。
以下为王栋演讲内容实录，雷锋网做了不改变原意的编辑：
我在美团点评负责外卖的算法和数据，今天讲的题目不是很大，但大家会觉得这个事情有点突兀，咱们可以慢慢介绍一下。
我们先看一下对 AI 这件事情的理解，AI 其实现在主要是以深度学习为主，但早先包括规则、SVM 这些浅层网络都出现过，这是因为我们用不同表达方式解决同一个问题，这个问题其实按照康德的说法应该分为对一个问题的解答分为三部分，第一是什么样的问题，第二你怎么样表达这个问题，第三才是问题真正的解决方案。
比如说我们用非常简单的例子，我们原来可能知道，大家都用的是阿拉伯数字，但是实际上在历史上，也经常更长时间用的是罗马数字，历史上更长的时间是用的罗马数字表示，如果运算非常大的乘法的时候用罗马数字来做是不可想象的事情，不同的表示对应不同解决方案的难易程度。今天我们看 AI 做到很多应用的场景，包括阿法狗，或者是 Caffee 这样一些比较前沿的方法，其实都是在深度学习框架下。但是这里仍然只是一种 AI 可能的解决方案。
然后我们看一下对于 AI 的问题，解决方案大概有这么几个步骤，第一，要有一个明确的场景，这个场景本身是可以去明确定义的，没有歧义；第二，要有足够的数据，在通常的场景下，AI 深度学习必须有大量的数据；第三，要有足够好的人员能把数据用起来；最后我们在应用场景里不断对我们的目标和实的结果做持续反馈。只有通过这个才能更好了解到底这个解决方案和实际应用场景不匹配的点在哪里，以及怎么样去改进，这是对 AI 这个方向简单理解。
AI 应用场景
对于餐饮行业来说，大家可能都认为，汽车是非常 Fashion 的一个行业，有颠覆性的机会，可以看到汽车行业 4 千亿，餐饮行业是 3500 亿，数据差不多，美国的消费是 5 千亿美元餐饮消费规模。
现在中国向消费升级这个方向发展，这块也是有比较大的潜力。滴滴共享出行、包括像共享单车一样现象级的产业，这个流程相对来说比之前的两个更复杂一点。
餐饮行业首先涉及到用户在平台上进行下订单，选择哪家喜欢吃的菜，然后下单，下了单通知这个商家做接单，商家要去做，出餐，通过骑手要把这个餐送给用户。所以这块是一个非常长的时间要求，我们都不愿意自己的餐可能一个小时才能送到，都希望半个小时甚至更短时间能够到自己的手里。但配送员能量是有限的，用户点的餐往往都是在自己附近一公里，这样意思是说，如果我们有三公里以外的配送骑手对解决这个问题是没有帮助的。要求这么高，资源又这么少，又是一个刚性的资源，所以这个优化是非常难做的。
服务的链条比较长，尤其遇上恶劣天气，会是一个很要命的事情，这个导致服务行业要求及时配送，无论是天猫次日达，京东可以做到当天或者 6 个小时，甚至包括一些闪送小的创业企业其实都没有解决这么大规模及时配送的优化问题。
对配送来说，我们确实对这个也是有一个改善的，我们可以做一个区域划分，每个配送员会有一块相对熟悉的区域，这个区域内他会做相关的配送。美团有 30 万骑手每天完成一千万单交付。
我们看全球外卖公司其实还是蛮多的，中国现在刚刚经历了一个 3 进 2 的角逐，饿了么和百度外卖进行合并，真正的在这个行业做的只有两家，这个规模是远远大于其他竞争者的。比其他国家任何一个市场都要大，这个原因其实商业上可以理解，我们大部分是在城市，城市密度很高，同时中餐复杂程度不像西餐，不像吃披萨或者吃意面，只有三种选择，我们菜的选择是非常多的，通过电话订餐是比较复杂的事情，同时商家现在租金成本在涨，而外卖是堂食之外对商家一个很好的补充，这种模式下外卖无论对用户还是商家都是多赢的解决方案。
AI 技术方案
简单的场景介绍之后看一下在餐饮行业，我们 AI 应该怎么去应用，这块大概按纵横两个维度来看，纵的维度其实是遵循传统关于计算规模、计算资源划分、最基础的底层基础设施、数据和计算能力，再上层一点的是算法，各种各样算法框架，包括技术方向，以及应用场景。
横向来看会有大家通用的感知分析，类似于像视觉、听觉，包括理解与思考，怎么样去做一个决策，怎么样去做一些存储，去把这些数据经过提炼得到答案，把这个答案用起来。最后是交互，怎么能够做市场连读，对餐饮行业来说，这是现在比较少有人去做的事情，其实这也在于前面计算机怎么去做位置建模，怎么样建视觉和嗅觉的相关建模。也有一些小的创业公司在看这方面的机会，在中间智能匹配和规划决策这一块，更偏向于思考，美团点评其实有在做这方面的事情。
再具体一点来看，比如感知这一块，这个现在目前还是一个可以研究的方向，无论是原材料产生还是做原材料加工过程，咱们把这个菜做成主食，或者设备商的工艺改进，这个都是可以利用 AI 方式去做颠覆的。
食物生产工厂，有一些相对来讲经济价值比较高的，类似于生菜这样的设备，是可以在工厂里生成，去量产的。比我们现在大棚里的效率是更高的，当然现在成本还是要高一点。也有人合成牛肉，中间这块其实是很有趣的事情。大概两三年以前，IBM 说自己做了一个创意型菜谱，能够通过 Internet 自己输入很多菜谱，去生成做菜方式。
我们比较本土的创新的擀面条机器人或者做拉面机器人，这个现在都是蛮成熟的，包括麻辣香锅机器人，可以很快降低成本，提高企业效率。右边是我们做的比较差的，像标准化的口味，对某个人来说这个辣可能是 50% 的辣，对另外一个人可能是 70% 的辣，应该有一个标准在这里。包括每一种菜品，四川风味应该怎么做，到了北京经过改良之后又是什么样的情况，这个事情也是没有人做的，如果这个事情做的很标准，意味着对每一个人来说，他可以知道每一家餐厅是否符合他的口味，而不是像现在经过平台筛选告诉他，这一家你是不是喜欢，这个是任重道远的事情，我们今天也没有做到。
对于更接地气的做法是我们做的理解，理解是对用户和商户的理解，包括对交易或者用户在线时候的一些历史兴趣，包括当前实施的一些通过点击等行为表现出来的一些理解。对商户本身出餐速度、口味有一些质量等方面的理解。
如果我们做的话一次性对用户单个选择，也可能有多次用户的重复购买，这个里面信息是不一样的，包括多次用到平台的一些红包，或者是促进用户购买的手段，这个其实也是通过人工智能可以去做一些改进的。
对于决策这块，对平台来说，更多是刚才谈到的配送，怎么能够分配我们配送的资源，怎么样更好的做调度。
把这个事情展开一点的话，左边是用户，右边是商家，中间是平台要做的两件事情，核心的点，包括流量匹配、智能营销，还有一个很重要的商家生态健康度。上面更重要的是配送路径规划，以及订单究竟给哪个配送员。综合起来要达到配送的准确度、及时度、满意度和成本的平衡。
交易平台的智能化
下面对于交易效率来说，可能希望能做更好的匹配、单次的匹配，更长远的看也需要考虑商家生态。
交易平台，从美团的历史上来说大概经历了 4 个阶段，目前是处在往人工智能时代过渡演进的过程当中，早先的时候就是一些比较简单的人工运营规则，再往后我们做离线机器人方法，今天利用深度学习和在线学习，能够做上下文的探索，能够去感知到用户偏好的变化，同时能够在线的去探索，比如对用户有帮助的新上的商家，将来希望更多的将增强学习和理解信息更好的用进去。比如说用户喜欢吃辣，对川菜感兴趣，也可能湖南菜他觉得挺适合的，这就不光通过知识驱动，更有效的达到目的，通过及时配送去做一些协同调整。
在现在我们 APP 的页面，有搜索、平台排序、场景推荐、个性化推荐，以及基本兜底的所有东西都可以在这儿找得到一个列表。这儿的目标叫单次的用户转化，各个模块之间的功能肯定是有一些互补，更重要的是我们在单个的模块里面去做更好的优化，比如信息优化，以及对用户转化率估计的优化。
这块我们用了一些深度学习技术，对于关键信息的展示这块，展示样式的优化，我们用了一些增强学习的方法，对于在图像呈现里面我们用了图象处理的方法，用 CNN 包括相关性，我们之前用 DSSM、CTR 预估，对新商家冷启动，我们同样用了增强学习框架。
简单说一下 CTR、CVR，这个事情对交易平台是非常重要的事情，分为这么四层，首先最基本的数据，上层怎么获得我们的标注，获得我们的特征？标注类似于在我们今天的场景下怎么样更好的解决问题，采用什么样具体的模型解决问题，我们怎么样在在线的情况下做实时数据更新，这个是非常传统的一些做法。
特征交叉有连续特征、离散特征和细节处理，在深度学习之后，原始特征的处理还是需要的，我们也用一些图像特征，之前我们倾向于用一些连续离散的特征，通过商家首页的头图，我们其实可以了解更多关于商家的信息。这个标注信息第一作为底层原始特征，第二作为中层表示，作为一些标签会加进来。
除了做菜谱，因为有时候商家标菜的信息并不是非常精准，需要帮他纠正过来，或者他有可能会做不正当营销，我们都可以通过一些方式解决。
上面是我们怎么样辅助商家，帮助他做出更好的菜品显示。有些选择图并不好看，我们怎么样告诉他这个图效果不好，这块其实做了两点，第一是美观度，美观度做完以后其实发现这个事儿并没有解决，有的图虽然不那么难看，也很美观，但是用户觉得不敢进去。所以第二，我们又做了一波，怎么样看他对用户是不是有足够的吸引力，这个做完之后效果好很多。
标注和奖励
对标注来说，因为我们是监督学习场景，但是正在向半监督或者强化学习过程当中，关于怎么样标注是有讲究的。无论我们通过闭环学习方式还是说我们现在正在做反馈引入，比如我们点击购买、评价、甚至浏览商家的长度，是不是有可能去做一个购物车的加购，包括加购之后有没有取出来，有些用户反馈，对商家有一个评价，对配送人员有一个反馈等等，如果我们对它不加细分的话，有些人对配送质量不满意，对商家质量是满意的，但这个地方没有区分开，标注会有一个错误，它会影响我们系统的表现。
还有一个问题是代理标注，也有我们手中拿到的点击下单都不是用户对这个菜是否满意的最根本反映，我们尝试用各种各样不同信号去模拟用户真正对这个菜喜欢的程度。
模型设计上，我们优化目标综合考虑了很多种，点击率、下单率、下单金额，把点击率和下单率尝试了很多不同算法，其实也有一个演化的过程。
最近我们在做 DNN 的 CTR 预估，右边我们会有一些原来经常用到的点击率特征，配送距离特征等等连续的特征，大概一百多位放在一起，再去做连接，一层一层做优化，最后直到产生一个点击或者购买决策，这个是最近做的工作，效果还不错。
同时我们其实也有帮助商家去做一些优化，包括帮助我们自己的 BD 在线下做商家谈判的时候有效果的提升，这里面用一些图像 OCR 技术会去做身份证识别，这个现在都是处于业务当中，用的时候去做，而不是说针对这个方面我们需要做一个特别大的工作，所以这个是属于一个内部的小项目。具体的做法其实也是非常标准的做法，做一些 FCL。
配送调度算法的核心问题
下面我们可以看一下我们现在做的订单的指派问题或者配送的问题。这个问题更简单的看，左边我们有不同的用户在不同的时间，他会去点不同的商家，这时候就需要多个配送员有选择的把这些订单满足用户需求时间的情况下交到用户的手里面，但是很多的配送员在路上已经有订单了，已经在去或者送的过程中，这个时候我们应该把新增的订单分配给这些配送员，应该怎么分配？分配给哪些人，先送哪个，后送哪个？这是里面所要解决的核心问题，这个问题分四步。
第一，先估计单个配送员给定目标的时候，他配送时间大概什么样子的，这是非常粗略的估计，因为我们并没有执行他实际路径优化。第二，我们知道大致时间之后，再去做细致路径的规划，这个时候，我们其实相当于有一个订单，比如有 10 个，或者 20 个订单，我们给配送员发，到底给哪个配送员。
第三，我们怎么样做全局优化的前提是要有一个合适的目标和一个约束，这个其实也是在刚才所说的之后，有一个比较好的决策目标。
最后真正的执行优化，有一些细节优化的点，这个也是经历了大概四步的阶段，最早的时候也是人工，骑手抢单，一方面开着电动车，一方面盯着视频，比较着急。后来优化了，我们首先是分配，分区域、分范围，每一个范围之内有一个站长，站长并不需要自己去送餐，他的任务是在高峰期的时候给骑手打电话，分配定单，后来经过系统长期运作，我们能够比较好的把这个事情自动完成，今天能够做智能派单，做骑手的路径规划，骑手 90% 的情况下遵循我们的建议。
这个情况下我们兼顾配送的效率，用户的体验、人力成本、骑手安全，我们希望做到针对不同的场景，包括运力规划。甚至更长远一点，一个月内看到三个月对运输什么样的要求，同时需要做一些交易协同。
配送时间这个事情也已经比较复杂了，这个流程是这样的，首先骑手接单，他要去到行使到商家，他要去取餐，之后再行驶到用户这边，在商家这边其实有一些问题，有可能不一定有足够时间做菜，骑手到了店以后要等做餐，有可能这一骑手对这个店不熟悉，他要找，或者等半天，都有一个时间损耗。行驶的时间是比较好估计的，到了那边可能写字楼不让骑手进，或者写字楼很高，他可能要等，都是不确定的因素。
同时我们还有用户画像，用户对交付时间要求是不是非常着急，有的用户可能没那么着急。有一些区域，在路上行驶的时候，在 12 点的时候是不是交通拥堵，这些信息加在一起是非常大的量。
我们尝试了两种方法建模，一种是机器建模，每个小部分单独的做模型，然后再估计，另外一种是数据系统建模，数据系统建模比较好，数据量比较大，所以采用数据建模方式。有了时间估计之后，我们要做配送路径优化，这个目标针对一个订单，给一个订单的时候我们分派给哪个骑手，这个问题其实也是一个非常难。
我们首先是用快速搜索，到底朝哪个方向可以走，配送给哪个骑手是可行的，然后我们再做一个稍微清晰的回归模型，最后我们再去做迭代优化的执行，看一步两步三步，在优化里面是不是有快速搜索，这里面有这个领域的知识，我们可以做高效分析。
其实这块效果目前能做到 99.9% 近似最优，也不是完全做 100% 的最优，这个也是在时间和效果的平衡。这块比较显著改进的一个点，去年的时候我们只能做到 99%，意味着每天 1%，大概有 10 几万单是有问题的。现在我们已经把它缩小到一万单。
决策目标及约束
对于决策目标来说，我们可能有这么几个，首先要去看决策什么东西，其实我们就是把订单在什么时间点优化，配送给每个配送员，约束的条件有骑手配送箱容量，用户期望送达时间、出餐时间、骑手交付时间、骑手行驶速度，优化目标肯定是多个目标的综合，同时又是一个大规模的实时优化的问题，有数千配送区域，数十万骑手，本身又是秒级计算完成的速度，目标冲突，这个对公司成本是没法承受的。
另外一个是有强随机性的问题，可能用户突然在某个地方下了订单，导致我们之前最优解变得不解，这时候我们要改优化结果，这是非常大的一个挑战。
订单优化算法的关键，第一我们结合了问题特征，包括搜索机制，我们有一些订单是可以合并的，有些地理位置信息可以做简单约束，在搜索机制上，我们有很多问题特征搜索和机制搜索。同时右边可以看到，可以考虑一个订单，每次都去循环做一下，这样效率其实不是特别高，会浪费一部分资源。我们一批订单大概 10 个、20 个我们再做优化，或者我们做局部更新，某一个小局部用户相关的商家更新。
还有我们将来考虑一段时间内可能出现订单的预测，比如说某栋写字楼人比较多，经常有人点各种各样的订单，我们提前预判，其实对系统优化强随机性的改进，其实是会比较有效。所以，大概这么几个关键的点。
我们其实也是批量更新之后，做了一个更细致的优化。我们怎么样去做粗过滤，明显不符合目标的骑手可以快速排除，我们用随机优化方法，包括最后怎么样把订单合并之后再用经典的算法去做到改造以后的最佳匹配在线解法，这样复杂度降低。
同时我们会做优化，这个方法用在线方法做不太现实，我们做了很多模拟平台建设。
总结和展望
总结一下，我们确实有很多业务应用问题，同时解决业务的应用问题需要做底层基础建设，美团本身有自己的云服务，美团云为了提供很多底层的基础建设，包括资源调度、计算资源、数据访问各种协议，底层我们都不需要担心。像我们自己内部自研的关于 NLP 的算法，包括传统的 LDA，PSA 这样一些模型，我们事先都有底层实现。我们需要做的就是在这个库上面去做更多应用探索，无论是计算机视觉应用，还是我们今天没有提到的安全，无论对用户安全还是对我们自己平台安全来说都有很多应用，这也是在我们平台的云上其实都是可以做到。
美团云本身其实也提供一个产品云矩阵，这个跟在座讲的大部分解决方案是有类似程度的，但是我们比较好的一个点是我们本身有非常大规模的业务，能够在需求当中快速迭代，能够快速迭代，意味着我们能够快速的把需求传导到底层优化模型和数据上。包括全栈 GPU 主机、深度学习的平台，现在也是处于对外开放的状态。我们刚才所说到各种验证，各种识别，各种应用，其实也都是一个全面开放的态度，可以跟外界合作，包括中小型做 AI 的公司，可以把他们的应用放在美团云上给第三方提供服务。
这个是关于我们美团做的餐饮行业的应用和基础建设的介绍。总结起来关于嗅觉、味觉口味识别这个方向我个人认为是非常有潜力的方向，同时我们在流量转化优化、智能营销、公司用户访问，以及营销过程配送机制调度方面我们确实取得了一定成绩，这个和我们业务的应用分不开的。如果做一个简单展望，我们认为首先在外卖这块，配送和外卖本身两个部门协调，怎么样去做智能营销，这三个其实可以更多的协调和打通。
第一点，自动化配送、自动驾驶是很牛的事情，其实通过自动配送，甚至局部的车解决配送的问题有可能比车更早实现，还是刚才最早提到的观点是一致的，这个问题表示和应用场景，这里面配送小车的速度比汽车要低很多，意味着对硬件的成本要求也会低很多。
第二点，这里面我们所采用的路径相对来说是固定的，不像车可能什么地方都要去跑，从这两点上来说我们的可行性更大一些，而且本身每天跑的量很大，我们有很多数据积累，我们预测这件事情是会比自动驾驶更早实现。
第三点，无论刚才所说到的很多人工智能应用，还是对我们餐饮行业现在已经做的和将来有可能展开的应用来说，都是非常好的一个带有规模效应利器，相信这块将来会有更多应用领域。
演讲结束后，王栋接受了包括雷锋网在内的媒体采访，以下为采访内容实录：
提问：刚刚听了您的演讲，讲了算法、基础建设中的很多问题，在您看来美团目前亟待解决和优化的问题有哪些？有没有一个优先级。
王栋：首先产品是有一个比较明确的落地场景，之前大家谈技术还是蛮多的，实际上AI的技术到今天还没有非常的成熟，无论是语音还是图像，都没有一个很好的实际解决方案，只能是在受限的场景下用技术和长期协同去解决一个问题。所以，如何找到适用的场景是非常关键的。我们也有在做一些外卖的自动点餐，比怎么样让机器人帮助你在电商那儿买衣服是更容易的做的事情，包括配送小车也比自动驾驶更容易做的事情，关键在于你能不能用技术去打磨产品，更能满足人们的需求。
提问：从技术架构来说，美团最需要优化的有哪些？技术架构要完善的话，挑战在哪儿？
王栋：我们主要是在做应用这一层，底层有美团云的同事，如何做到更高并行的优化，无论是训练还是在线上跑预测的阶段，这是一个比较大的挑战，甚至包括我们底层既有GPU，也有FPGA，在什么样的场景下去用合适的解决方案把它们结合起来，在整体的成本、实际实现的效果上有一个比较好的折中，这是需要花能力去做的事情。
第二，针对不同的应用场景以及资源的调度，其实也还是在资源管理的这一层，从架构上来说，怎么样做的更好。
第三，前两步都做好了，是不是有可能在用户端做一些端计算，把计算的算力在两边进行平衡，服务器端和客户端做一个平衡，端计算和云计算结合起来。这是在架构方面。
说到技术的挑战，对语言的理解、推理其实是很关键的问题，人比较擅长，但是机器并不擅长。也有人提到怎么样在记忆方面突破现有的结构，把记忆和存储能够更好的融合起来，在计算的时候能够更好的去调用，这是从技术上比较大的挑战。模型上我们现在更多用的是监督模型，怎么做到半监督、全监督，大规模的获取数据。
提问：美团跟大众点评合并以后，数据这一块是怎么合作的？美团点评的数据优势是怎么体现的？
王栋：可以类比 BAT，他们各自都有不同的优势，百度信息的数据量是比较大的，腾讯在社交和游戏方面的数据量是比较大的，阿里有很好的交易数据，对美团来说我们的用户优势是在于本地的电商服务这个领域。
最近我们也有在基础的用户数据上面去做一些获取，包括用户的基本属性，比如说做一些金融方面的应用，基础数据是绕不过去的，这个是数据方面在做的事情，我们本身也有骑手，骑手每天在街上跑，有很多对场景、对地图的覆盖，帮助在内部做很好的运营，提升我们的运营效率，这个也是很好的数据。
我们也有很多线下的 BD，我们会有非常实时的及时的店家信息的更新。这个不仅是我们自己在用，高德也会公开用到我们的数据。这是美团技术数据的核心。
提问：美团的特点是有很多种的业务线，哪一块业务线在您看来是目前跟友商相比是特别超前的？比如打车有滴滴、易道，新零售美团和阿里的河马先生也很像。
王栋：我们更多的是从用户的使用场景来看。比如打车这件事情，之前很多人也很奇怪，为什么美团会做打车，但是如果你想到 Uber 也去做外卖，我们反向跨界也不是不可以想象的事情。
有两个点，一个是和场景结合，用户到一个地方可以很快的利用美团本地的运输能力快速的达到目的地。第二，即使是在本地的用户，他想去吃东西，几个人一起去吃饭，就需要打车，这并不是很难的操作，我们选好了店，就可以去打车。这个将来是有可能统一的，而且会带来商家和打车业务模式的结合，有可能会有更优质的解决方案，帮助商家去做营销。所以，从这个角度来讲，打车并不是一件不可想象的事情。
至于您刚才说到的新零售，阿里的逻辑很好理解，因为线上做的差不多，没有空间了，成长潜力不大，要在线下做用户的获取，对我们来说逻辑也是类似的。所以这是基于业务理解和用户场景的判断。
提问：能不能介绍一下美团云用到的一些 AI 技术，包括场景方面的应用情况？
王栋：美团云本身是美团的总集成，不光是内部的系统运维，还有采购，比较新的 AI 这一块，都有持续的在投入。之前也做一些网络相关的应用，所以他们在文本的处理，包括对用户的信息骚扰这方面也有做很多的过滤，这是在用户的层面上做的，包括 OCR，也有外部内部各种应用的匹配。
人脸识别我们有用到 Face++，也有可能用到我们内部自研的技术，在整体上本身内部在用，另外一方面也会作为一个公开的平台提供给外部去调用，也可以给外部的用户足够多的选择。
说到人脸，我们其实会用到实名认证，在酒店行业我们可以去做房态预估，包括商家给的图片去判断是什么样的房型，今天晚上会不会住满人，最近这一段有可能这个地方都比较清淡，所以没有必要做非常多的线上营销活动。入住率高将来可能会非常贵，我们可以通过提前预订的方式把预订资源拿到。
这也是需要很多预测能力的，美团云也有提供，像我们今天所说的底层的 IaaS、PaaS、SaaS 都有涉及，确实美团本身应用的场景是非常多的，酒店、旅游、餐饮等其他新兴的业务，对AI技术的需求本身是巨大的。我们在做好自己事情的同时，要么结合自己的力量，要么结合外部的力量，打造更好的技术。
提问：人脸识别的技术用的是谁的？
王栋：我们自己内部也有资源。调用的时候看业务方的场景，比如金融这块精度要求非常高，旷视的可能更多一些。
正在生成分享图...
我在思考中